参考

B站视频

语义分割的损失函数

（交叉熵损失函数）

1. 逐像素的交叉熵
2. 还需要考虑样本均衡问题（有的）
   
   这里的交叉熵损失函数增加了pos_weight参数。前景和背景的比例不一样，使每一个像素点的重要程度不一致。一般情况我们按照正例和负例的比例设置该参数。

这里再解释下二分类交叉熵损失函数（去掉pos_weight）：
损失函数越小越好

1. log函数如下
   
   由图像可以看出当X值越接近于1的时候Y的绝对值越小，当X值越接近0时Y的绝对值越大。

eg：
y_true：真实样本标签0， 1
y_pred：样本预测标签0，1

由此可以看到， y_pred越接近真实标签y_true，其损失函数越小， 月能够区分前景标签1和背景标签0。
我们还需要注意y_true log(y_pred)时判断真实标签为1与预测标签的损失，想想，当真实标签为0的时候，该部分直接就是0， 所以另一部分时判断真实标签为0的损失

（Focal loss）

思路：像素点难易之分：越难分的样本，对其奖励越大。
实现：基于交叉熵损失函数, 增加真实标签0和1与预测标签0和1差值的$\gamma$乘方参数。

假设$\gamma$=2
二次平方函数的图像如下：

我们可以看到，该函数的在区间[0, 1]之间的增长趋势是递增的， 所以当当真实标签y_true和预测标签y_pred相差很大的时候，差值接近于1，其平方项后的值也就很大， 差值接近与1的时候， 其平方项后的值也就很小， 所以对与容易分割的样本，对其损失激励很小， 对难分的样本，其损失激励就很大了。这样对难易样本（或像素）有所区分。

在结合样本数量的权值$\alpha$（上述说的正负样本的比例pos_weight）后，就是完整的Focal Loss函数了。

评估标准

IoU:交并比(图中黄色部分的交集/黄色部分并集)

MIoU(计算所有类别的平均值， 一般当作分割任务评估指标)